INSTITUT PERTANIAN BOGOR
TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN
2.1 Tinjauan Teori-teor
2.1.6 Variabel-variabel lain yang memengaruhi Pertumbuhan Ekonomi 1 Gross Fixed Capital Formation (GFCF) atau Pembentukan Modal
2.1.6.4 Krisis Ekonom
Krisis Moneter Asia 1997-1998 2.1.6.4.1
Krisis moneter Asia diawali dari krisis nilai mata uang dan keuangan Thailand pada Juli 1997 kemudian merembet ke negara ASEAN lainnya. Dampak krisis moneter Asia, selain terjadi runtuhnya nilai tukar mata uang dan meningkatnya tingkat suku bunga, kebangkrutan perusahaan dan bank juga menyebabkan krisis keuangan. Pesimisme konsumen dan investor juga menyebabkan kontraksi investasi yang diikuti dengan krisis ekonomi dan pengangguran. Pihak-pihak yang paling terkena dampak krisis moneter Asia tersebut antara lain perusahaan besar yang bermain valas, saham, obligasi, dan off- shore loans di pasar global, perbankan, pasar modal, properti, sektor publik yang banyak memiliki utang luar negeri, serta importir atau pelaku bisnis yang kandungan impor bahan baku usahanya tinggi (Kuncoro, 2010).
Krisis Minyak Dunia 2005 2.1.6.4.2
Krisis minyak dunia 2005 disebabkan oleh pasokan minyak dunia terganggu karena badai Katrina yang juga menyebabkan beberapa kilang produksi di Amerika rusak dan disusul dengan kerusuhan di negara produsen minyak Nigeria. Gelombang krisis energi yang disebabkan oleh minyak, menyatakan bahwa minyak merupakan komoditas yang sangat rentan terhadap terjadinya krisis
ekonomi global. Diversifikasi energi untuk mengurangi ketergantungan energi terhadap supply minyak bumi menjadi tren baru di banyak negara di samping efisiensi energi (penghematan energi) yang dilakukan secara terstruktur. Hal ini menyebabkan melonjaknya harga minyak dunia secara besar-besaran. Naiknya harga minyak dunia menyebabkan melemahnya nilai tukar mata uang terhadap US Dollar. Hal ini menimbulkan inflasi yang cukup tinggi dan mengancam stabilitas makroekonomi yang telah dicapai negara ASEAN 1.
Krisis Keuangan Global 2008-2009 2.1.6.4.3
Krisis keuangan global diawali kredit macet perumahan beresiko tinggi (subprime mortage) pada semester akhir 2007 di Amerika Serikat. Dampak krisis keuangan global 2008-2009 menjalar ke Eropa dan Asia Pasifik termasuk negara ASEAN dalam bentuk bangkrutnya bank/institusi keuangan/korporasi multinasional Amerika Serikat, meningkatnya inflasi, meningkatnya pengangguran, runtuhnya indeks bursa saham karena nilai tukar mata uang anjlok, sampai akhirnya menurunkan pertumbuhan ekonomi (Kuncoro, 2010).
2.2 Penelitian-Penelitian Terdahulu
Pengaruh FDI terhadap pertumbuhan ekonomi berbeda antar negara atau kawasan, bisa positif, negatif, bahkan bisa juga tidak signifikan memengaruhi pertumbuhan ekonomi suatu negara atau kawasan. Hal ini tergantung pada kondisi perekonomian, teknologikal, dan institusional dari negara tuan rumah FDI.
1 Yuliarto, B. β008. „Gagalnya Kebijakan Energi”. Harian Pik
iran Rakyat 14 Mei 2008.
Tabel 2.1 Daftar Penelitian-penelitian Terdahulu yang Membahas Mengenai Pengaruh FDI terhadap Pertumbuhan Ekonomi
No Peneliti Judul Data/Metode Hasil Penelitian
(1) (2) (3) (4) (5) 1 Balamurali dan Bogahawatte, 2004 FDI and Economic Growth in Srilanka
Data time series periode 1977-2003 di Sri Lanka, dengan metode Johansen’s Full Information Maximum Likelihood Methoddan VAR LnYt = 0 + 1 LnFDIt+ 2 LDINt + 3 LNOPENt+ t FDI merupakan determinan utama pertumbuhan ekonomi Srilanka selama tahun1977 – 2003 2 Xiaohong, 2009 An Empirical Analysis on the impact of FDI on China’s Economic Growth
Data time series periode 1985-2008 di China, dengan metode Ordinary Least Square GDP = 0FDI + 1CO + 2S + 3FI FDI memberikan pengaruh positif yang signifikan terhadap pertumbuhan ekonomi 3 Adegbite dan Ayadi, 2010 The Role of FDI in Economic Development: A Study of Nigeria
Data time series periode 1992-2007 di Nigeria, dengan metode Ordinary Least Square GDPGR = 1+ 2LPGROW + 3GRCS + 4TRADO + 5FDIGR + 6TFPG + Pertumbuhan produktivitas tenga kerja dan tingkat pertumbuhan FDI secara signifikan memengaruhi pertumbuhan ekonomi 4 Tiwari dan Mustascu, 2011 Economic Growth and FDI in Asia: A Panel Data Approach
Data panel periode 1986-2008 dari 23 negara sedang berkembang di Asia, dengan metode Random Effect model Yit = ß0+ ß1(Kit) + ß2(Lit) + ß3(FDIit) + ß4(Xit) + it
FDI, Ekspor, dan tenaga kerja memberikan pengaruh positif yang signifikan terhadap pertumbuhan ekonomi
No Peneliti Judul Data/Metode Hasil Penelitian (1) (2) (3) (4) (5) 5 Ramadhan, 2010 Effect Foreign Debt, Foreign Investment, and Inflation on Economic Growth of Indonesia
Data time series periode Triwulan I 1995-triwulan IV 2009 di Indonesia, dengan metode Ordinary Least Square LnPE = ß0+ß1 LnULN +ß2LnPMA + ß3LnInflasi FDI memberikan pengaruh positif yang signifikan terhadap pertumbuhan ekonomi 6 Adhikary, 2011 FDI, Trade Openness, Capital Formation, and Economic Growth in Bangladesh: A Linkage Analysis
Data time series periode 1986-2008 di Bangladesh, dengan metode Vector Error Correction Model (VECM) ln Yt = + lnFDIGt + lnGFCFt + lnTGDPt+ t FDI memberikan pengaruh positif yang signifikan terhadap pertumbuhan ekonomi
7 Alfaro, 2003 FDI and Growth: Does the Sector Matter?
Data panel periode 1981-1999 dari 47 Negara OECD, dengan metode Ordinary Least Square GROWTHi = ß0+ß1 INITIAL GDPi +ß2CONTROLSi + ß3FDIi + Vi FDI berpengaruh negatif terhadap pertumbuhan ekonomi sektor primer, berpengaruh positif terhadap sektor sekunder, dan berpengaruh ambigu terhadap sektor tersier 8 Falki, 2009 Impact of FDI
on Economic Growth in Pakistan
Data time series periode 1980-2006 di Pakistan, dengan metode Ordinary Least Square LnYt = b0 + b1LnK + b2LnL + b3LnFDI + b4δnTrd + t FDI tidak berpengaruh terhadap pertumbuhan ekonomi
Penelitian-penelitian terdahulu mengenai pengaruh FDI terhadap pertumbuhan ekonomi dengan berbagai hasil disajikan dalam Tabel 2.1.
Perbedaan penelitian ini dengan penelitian-penelitian sebelumnya adalah bahwa penelitian ini meneliti bagaimana pengaruh FDI terhadap pertumbuhan ekonomi di sepuluh negara ASEAN selama kurun waktu 1980-2009. Variabel-variabel yang digunakan dalam penelitian ini persentase FDI Inflow terhadap GDP, persentase PMTB terhadap GDP, jumlah angkatan kerja, persentase nilai ekspor terhadap GDP ditambah persentase nilai impor terhadap GDP, dan variabel dummy krisis ekonomi. Metode analisis yang digunakan dalam penelitian ini adalah analisis deskriptif dan analisis regresi linear berganda data panel.
2.3 Kerangka Pemikiran
FDI dilatarbelakangi oleh fenomena pertumbuhan ekonomi negara ASEAN yang fluktuatif dipengaruhi oleh gejolak perekonomian dunia dan terjadinya defisit arus modal keluar neto. FDI masuk ke suatu negara bersama aliran modal yang dapat mengisi kelangkaan sumber daya modal pembangunan di negara tersebut. FDI ,melalui perusahaan multinasional, meningkatkan transfer teknologi, kemampuan teknis, kemampuan manajerial, dan kemampuan intelektual tenaga ahli ke negara dimana perusahaan itu beroperasi. Hal ini memacu peningkatan kinerja dan efisiensi proses produksi sehingga meningkatkan produktivitas perusahaan. Pembukaan pabrik-pabrik baru meningkatkan penyerapan tenaga kerja.
Perusahaan multinasional cenderung mengimpor bahan baku produksi perusahaan dari negara asalnya. Padahal, akan jauh lebih menguntungkan bagi negara tuan rumah apabila supply bahan baku produksi dipenuhi dari domestik.
Perusahaan multinasional biasanya bersifat monopolistik atau oligopolistik. Hal ini memacu peningkatan daya saing dari perusahaan domestik dalam sektor yang sama. Akan tetapi, karena kinerja dan produktivitas perusahaan multinasional sangat tinggi, perusahaan domestik akan mengalami kesulitan untuk bertahan di tengah persaingan.
Dengan memperhatikan dampak positif dan negatif dari FDI, ditambah pengaruh beberapa variabel lain seperti Pembentukan Modal tetap Bruto (PMTB), angkatan kerja, ekspor neto, dan krisis ekonomi ingin diketahui bagaimana pengaruhnya terhadap pertumbuhan ekonomi negara ASEAN pada periode penelitian. Apabila di negara ASEAN FDI berpengaruh positif terhadap pertumbuhan ekonomi maka disarankan beberapa rekomendasi kebijakan untuk meningkatkan FDI Inflow ke negara ASEAN agar dapat lebih meningkatkan pertumbuhan ekonomi negara ASEAN tersebut.
FDI
Dampak Positif Dampak Negatif
Variabel Lain: PMTB; Angkatan Kerja; Ekspor Neto; Dummy Krisis Aliran Modal Transfer Teknologi
Transfer Kemampuan Teknis, Manajerial, dan Intelektual Tenaga Ahli
Pertumbuhan Ekonomi Negara ASEAN
Rekomendasi Kebijakan - Pertumbuhan Ekonomi Negara ASEAN yang fluktuatif dipengaruhi
gejolak perekonomian dunia
- Defisit Arus Modal Keluar Neto di Negara ASEAN
Gambar 2.2 Kerangka Pemikiran Pengaruh FDI terhadap Pertumbuhan Ekonomi
2.4 Hipotesis Penelitian
Berdasarkan tinjauan teori dan penelitian terdahulu di Srilanka (Balamurali dan Bogahawatte, 2004), China (Xiaohong, 2009), Nigeria (Adegbite dan Ayadi, 2010), Asia (Tiwari dan Mutascu, 2011), dan Bangladesh (Adhikary, 2011) yang menyatakan bahwa FDI memberikan pengaruh positif terhadap pertumbuhan ekonomi, maka hipotesis yang akan diuji dalam penelitian ini adalah bahwa terdapat FDI berpengaruh positif terhadap pertumbuhan ekonomi negara ASEAN pada periode penelitian.
BAB III
METODOLOGI PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data panel (pooled data) yang merupakan gabungan data silang (cross section) dan data runtun waktu (time series) selama kurun waktu 1980-2009. Data panel digunakan untuk mengatasi masalah keterbatasan data cross section dan time series dengan menghasilkan estimasi yang lebih efisien melalui peningkatan jumlah observasi yang berimplikasi meningkatkan derajat kebebasan (degree of freedom). Jenis data panel yang digunakan dalam penelitian ini adalah balanced panel dimana setiap unit cross section memiliki jumlah observasi time series yang sama. Sumber data yang digunakan berasal dari United Nation Conference on Trade and Development (UNCTAD) dan World Bank.
Tabel 3.1 Variabel, Data yang Digunakan, dan Sumber Data
Variabel Data Yang Digunakan Sumber Data
(1) (2) (3)
GROWTH Tingkat Rata-Rata Pertumbuhan Ekonomi Tahunan (data dalam persen)
UNCTAD, World Bank FDI Persentase Nilai FDI Inflow terhadap GDP Tahunan
(data dalam persen)
UNCTAD GFCF Persentase Nilai Gross Fixed Capital Formation
(GFCF) atau Pembentukan Modal Tetap Bruto (PMTDB) terhadap GDP Tahunan (data dalam persen)
UNCTAD
NX Persentase Nilai Ekspor Neto terhadap GDP Tahunan (data dalam persen)
UNCTAD LF Jumlah Labour Force atau Angkatan Kerja
Tahunan (data dalam Ribu Jiwa)
UNCTAD DKRISIS Variabel Dummy Krisis
3.2 Metode Pengolahan Data
Pengolahan atas data sekunder untuk variabel GROWTH, FDI, GFCF, LF, NX, dan DKRISIS untuk mengetahui pengaruh FDI terhadap pertumbuhan ekonomi negara ASEAN menggunakan beberapa paket program statistik seperti Microsoft Office Excel 2010, dan EViews 6.0. Kegiatan pengolahan data dengan Microsoft Office Excel 2010 meliputi pembuatan tabel dan grafik untuk analisis deskriptif. Pengujian signifikansi analisis regresi linier berganda data panel menggunakan EViews 6.0 sebagai program pengolahan datanya.
3.3 Metode Analisis Data
Sesuai dengan tinjauan literatur, hal yang akan dianalisis dalam penelitian ini adalah pengaruh FDI terhadap pertumbuhan ekonomi negara ASEAN. Metode analisis data yang digunakan antara lain metode analisis deskriptif dan metode analisis inferensia. Metode analisis deskriptif digunakan untuk memberikan gambaran umum mengenai kondisi perekonomian di negara ASEAN meliputi perkembangan pertumbuhan ekonomi, FDI, dan beberapa variabel lain seperti PMTB, angkatan kerja, ekspor neto, dan krisis ekonomi di negara ASEAN.
Metode analisis inferensia yang dilakukan untuk mengestimasi model ini adalah pendekatan ekonometrika dengan metode analisis regresi linier berganda data panel. Baltagi (2005) menyatakan bahwa keunggulan penggunaan metode analisis data panel antara lain sebagai berikut:
1. Analisis data panel memiliki kontrol terhadap heterogenitas data individual dalam suatu periode waktu.
2. Analisis data panel menyajikan data yang lebih informatif, lebih bervariasi, memiliki kolinearitas antar variabel yang kecil, memiliki derajat kebebasan yang lebih besar, dan lebih efisien.
3. Analisis data panel lebih tepat dalam mempelajari dinamika penyesuaian (dynamics of change).
4. Analisis data panel dapat lebih baik mengidentifikasi dan mengukur pengaruh-pengaruh yang secara sederhana tidak dapat terdeteksi dalam data cross section atau time series saja.
5. Model analisis data panel dapat digunakan untuk membuat dan menguji model perilaku yang lebih kompleks dibandingkan analisis data cross section murni atau time series murni.
6. Analisis data panel pada level mikro dapat meminimisasi atau menghilangkan bias yang terjadi akibat agregasi data ke level makro.
7. Analisis data panel pada level makro memiliki time series yang lebih panjang tidak seperti masalah jenis distribusi yang tidak standar dari unit root tests dalam analisis data time series.
Estimasi pada data panel bergantung kepada asumsi yang diberikan pada intercept, koefisien slope, dan error term. Kemungkinan dari asumsi tersebut adalah sebagai berikut:
1. Diasumsikan bahwa intercept dan koefisien slope konstan antar waktu dan cross section serta error term melingkupi perbedaan baik dalam waktu maupun cross section. Pendekatan yang paling sederhana adalah asumsi ini karena dengan diberikan asumsi bahwa intercept dan koefisien slope
konstan antar waktu dan cross section serta error term maka dimensi ruang dan waktu diabaikan dan bentuk estimasinya seperti metode Ordinary Least Square (OLS).
2. Diasumsikan bahwa koefisien slope konstan tetapi intercept berbeda untuk setiap cross section.
3. Diasumsikan bahwa koefisien slope konstan tetapi intercept berbeda untuk setiap cross section antar waktu.
4. Diasumsikan bahwa semua koefisien baik intercept dan koefisien slope berbeda untuk setiap cross section.
5. Diasumsikan bahwa semua koefisien baik intercept dan koefisien slope berbeda untuk setiap cross section antar waktu.
Metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain:
1. Metode Pooled Least Square Model
Pooled Least Square Model merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intercept dan koefisien slope yang konstan antar waktu dan cross section (Common Effect). Pada dasarnya, Pooled Least Square Model merupakan metode yang meminimumkan jumlah error kuadrat sama seperti OLS, tetapi data yang digunakan bukan data time series saja atau cross section saja melainkan data panel yang diterapkan dalam bentuk pooled. Persamaan pada estimasi menggunakan Pooled Least Square Model dapat dituliskan dalam bentuk sebagai berikut:
dimana:
Yit = nilai variabel terikat (dependent variable) untuk setiap unit cross section ke-i pada periode waktu t dimana i = 1,…,N dan t= 1,…,T
Xjit = nilai variabel penjelas (explanatory variable) ke-j untuk setiap unit cross section ke-i pada periode waktu t dimana K variabel penjelas diberi indeks dengan j = 1,…,K.
= intercept yang konstan antar waktu dan cross section
j = koefisien slope atau parameter untuk variabel ke-j yang konstan antar waktu dan cross section
it = komponen error untuk setiap unit cross section ke-i pada periode waktu t N adalah jumlah unit cross section, T adalah jumlah periode waktunya, dan K adalah jumlah variabel penjelas.
Dengan mengasumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap cross section. Untuk periode t = 1, akan diperoleh persamaan regresi cross section Yi1 =
+ xj
it j + i1 untuk i = 1, β, … N sebanyak T persamaan yang sama dan
sebaliknya akan diperoleh persamaan deret waktu (time series) sebanyak N
persamaan untuk setiap T observasi. Namun, untuk mendapatkan parameter dan
yang konstan dan efisien, akan dapat diperoleh dalam bentuk regresi yang lebih
besar dengan melibatkan sebanyak NT observasi. Kelemahan Pooled Least Square Model ini adalah dugaan parameter akan bias karena tidak dapat membedakan observasi yang berbeda pada periode yang sama serta tidak dapat membedakan observasi yang sama pada periode yang berbeda. Setiap observasi
diperlakukan seperti observasi yang berdiri sendiri dengan mengasumsikan bahwa data gabungan yang ada menunjukkan kondisi yang sesungguhnya dan hasil analisis regresi berlaku untuk semua unit cross section dan pada semua waktu. 2. Metode Fixed Effect Model
Fixed Effect Model merupakan metode estimasi model regresi data panel dengan asumsi koefisien slope kontan dan intercept berbeda antar unit cross section tetapi intercept konstan antar waktu (Fixed Effect). Fixed Effect Model mengatasi permasalahan asumsi Pooled Least Square Model yang sulit dipenuhi. Generalisasi secara umum sering dilakukan adalah dengan memasukan variabel dummy untuk menghasilkan nilai koefisien slope atau parameter yang berbeda- beda antar unit cross section (Baltagi, 2005).
Pendekatan dengan memasukkan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least Square Dummy Variable (LSDV) atau disebut juga Covariance Model. Persamaan pada estimasi menggunakan Fixed Effect Model dapat dituliskan dalam bentuk sebagai berikut:
Yit = i+ j xjit + Di+ eit………(3.2)
dimana:
Yit = nilai variabel terikat (dependent variable) untuk setiap unit cross section ke-i pada periode waktu t dimana i = 1,…,N dan t= 1,…,T
Xjit = nilai variabel penjelas (explanatory variable) ke-j untuk setiap unit cross section ke-i pada periode waktu t dimana K variabel penjelas diberi indeks dengan j = 1,…,K.
j = koefisien slope atau parameter untuk variabel ke-j yang berbeda antar unit cross section
eit = komponen error untuk setiap unit cross section ke-i pada periode waktu t N adalah jumlah unit cross section, T adalah jumlah periode waktunya, dan K adalah jumlah variabel penjelas.
Dengan menggunakan pendekatan ini akan terjadi pengurangan degree of freedom sebesar NT-N-K. Keputusan memasukan variabel dummy ini harus didasarkan pada pertimbangan statistik. Penambahan variabel dummy ini akan dapat mengurangi banyaknya degree of freedom yang akhirnya akan memengaruhi keefisienan dari parameter yang diestimasi. Kelebihan pendekatan LSDV ini adalah dapat menghasilkan dugaan parameter yang tidak bias dan efisien. Tetapi kelemahannya jika jumlah unit observasinya besar maka akan terlihat rumit.
3. Metode Random Effect Model
Random Effect Model merupakan metode estimasi model regresi data panel dengan asumsi koefisien slope kontan dan intercept berbeda antar individu dan antar waktu (Random Effect). Keputusan untuk memasukan variabel dummy dalam Fixed Effect Model memiliki konsekuensi berkurangnya degree of freedom yang akhirnya dapat mengurangi efisiensi dari parameter yang diestimasi. Oleh karena itu, dalam model data panel dikenal pendekatan yang ketiga yaitu Random Effect Model (Baltagi, 2005). Random Effect Model disebut juga model komponen error (error component model) karena di dalam model ini parameter yang berbeda antar unit cross section maupun antar waktu dimasukkan ke dalam error.
Persamaan pada estimasi menggunakan Random Effect Model dapat dituliskan dalam bentuk sebagai berikut:
Yit = 1 + jxjit + it dengan it = ui + vt + wit………..(3.3) dimana
ui~ N ( 0, u2) = komponen cross section error
vt ~ N ( 0, v2 ) = komponen time series error
wit ~ N ( 0, w2 ) = komponen error kombinasi
asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya.
Dengan menggunakan Random Effect Model, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan oleh Fixed Effect Model. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien dan model yang dihasilkan semakin baik.
Dasar pemilihan antara Fixed Effect Model dan Random Effect Model menurut Gujarati (2004) adalah sebagai berikut:
1. Jika T (jumlah data time series) besar dan N (jumlah data dari cross section) kecil, maka akan menunjukkan bahwa tidak ada perbedaan nilai parameter yang diestimasi oleh Fixed Effect Model dan Random Effect Model. Pemilihan model terbaik dilakukan berdasarkan kemudahan penghitungan sehingga Fixed Effect Model lebih baik.
2. Ketika N besar dan T kecil, estimasi yang diperoleh dari kedua metode akan memiliki perbedaan yang signifikan. Jadi, apabila kita meyakini bahwa unit
cross section yang kita pilih dalam penelitian diambil secara acak maka Random Effect Model harus digunakan. Sebaliknya, apabila kita meyakini bahwa unit cross section yang kita pilih dalam penelitian tidak diambil secara acak maka kita harus menggunakan Fixed Effect Model.
3. Jika komponen error individual berkorelasi dengan variabel independen X maka parameter yang diperoleh dengan Random Effect Model akan bias sementara parameter yang diperoleh dengan Fixed Effect Model tidak bias. 4. Apabila N besar dan T kecil, dan apabila asumsi yang mendasari random
effect dapat terpenuhi, maka Random Effect Model akan lebih efisien dari Fixed Effect Model.
Untuk memilih model mana yang paling tepat digunakan untuk pengolahan data panel, maka terdapat beberapa pengujian yang dapat dilakukan, antara lain: 1. Chow Test adalah pengujian untuk memilih apakah model yang digunakan
Pooled Least Square Model atau Fixed Effect Model. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut:
H0: Pooled Least Square Model H1: Fixed Effect Model
Dasar penolakan terhadap hipotesis nol tersebut adalah dengan menggunakan F Statistic seperti yang dirumuskan oleh Chow:
Chow =
~ F (N – 1, NT – N – K)………...(3.4)
Dimana:
RRSS = Restricted Residual Sum Square (Sum Square Residual PLS) URSS = Unrestricted Residual Sum Square (Sum Square Residual Fixed)
N = Jumlah data cross section T = Jumlah data time series K = Jumlah variabel independen
Dimana pengujian ini mengikuti distribusi F yaitu F (N – 1, NT – N – K). Jika nilai CHOW Statistics (F Statistic) hasil pengujian lebih besar dari F Tabel, maka cukup bukti bagi kita untuk melakukan penolakan terhadap H0 sehingga model yang kita gunakan adalah Fixed Effect Model, begitu juga sebaliknya.
2. Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita dalam memilih apakah menggunakan Fixed Effect Model atau Random Effect Model. Pengujian ini dilakukan dengan hipotesis sebagai berikut: H0: Random Effects Model
H1: Fixed Effects Model
Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan membandingkannya dengan Chi square. Statistik Hausman dirumuskan dengan:
H = ( REM– fEM )‟ (MFEM–MREM)-1 ( REM– fEM) ~ 2 (k)………(3.5)
dimana Madalah matriks kovarians untuk parameter dan k adalah derajat bebas yang merupakan jumlah variabel independen.
Jika nilai H hasil pengujian lebih besar dari 2
(k), maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah Fixed Effect Model, begitu juga sebaliknya.
3. Untuk memilih antara Random Effect Model dan Pooled Least Square Model digunakan The Breusch-Pagan LM Test dengan menggunakan hipotesis sebagai berikut:
H0: Pooled Least Square Model H1: Random Effect Model
Nilai Breusch-Pagan LM statistik dapat dihitung berdasarkan formula sebagai berikut: 2 2 2 1 ˆ ) ˆ ( ) 1 ( 2
i t it i t it w w T NT LM ~ 2 (3.6)Dimana N adalah jumlah individu, T adalah jumlah periode waktu, dan Wit adalah residual Pooled Least Square Model. The Breusch-Pagan LM Test ini didasarkan pada distribusi Chi square dengan derajat bebas sebesar satu. Jika hasil Breusch-Pagan LM statistik lebih besar dari nilai 2 (1), maka Ho ditolak yang berarti Random Effect Model lebih baik daripada Pooled Least Square Model.
3.4 Metode Evaluasi Model
Setelah hasil pengolahan data dengan metode analisis data panel selesai dilakukan, harus dilakukan evaluasi terhadap model estimasi yang dihasilkan. Model estimasi yang dihasilkan melalui metode analisis data panel tersebut harus dievaluasi berdasarkan beberapa kriteria sebagai berikut:
